Optimization of Surfactant-Enhanced Aquifer Remediation for a Laboratory BTEX System under Parameter Uncertainty
Notice bibliographique
Résumé
This study develops a nonlinear chance-constrained programming (NCCP) model for optimizing surfactant-enhanced aquifer remediation (SEAR) processes. The model can not only address the parameter uncertainty, but provide a reliability level for the identified optimal remediation strategy. To solve the NCCP model, stepwise cluster analysis (SCA) is used to create a set of proxy simulators for quantifying the relationships between operating conditions (i.e., pumping rate) and probabilities of benzene levels in violation of standard. Compared to conventional parametric inference techniques, SCA is independent of prior assumptions for model forms (e.g., linear or exponential ones) and capable of reflecting complex nonlinear relationships between operating conditions and probabilities. To alleviate the computational efforts in the optimization process, the generated proxy simulators are repeatedly called by simulated annealing (SA) to test the feasibility of each potential solution. The implicit of the optimal NCCP solutions is discussed through a laboratory-scale SEAR system where porosity and intrinsic permeability are treated as stochastic parameters. It is observed that well locations, environmental standards, reliability levels and remediation durations would have significant effects on optimal SEAR strategies. By comparing the predicted benzene concentration without and with remediation actions, it is indicated that the optimal SEAR process can guarantee the benzene concentration to meet the environmental standard with a high reliability level.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».